产业政策、创新与制造企业服务化——基于“中国制造2025”准自然实验的经验研究

冯玉静，翟亮亮

(1.安徽财经大学 财政与公共管理学院，安徽 蚌埠233030；2.山东财经大学 国际经贸学院，山东 济南 250014)

0 引言

产业政策对企业个体的传导作用与内在作用机制已成为学术界研究热点。产业政策是政府干预经济的主要方式，通过引导产业发展方向，达到促进产业结构升级的目的。当前，关于产业政策效果存在两种观点：一种是产业政策有效论，鉴于存在市场失灵的情况，产业政策能够弥补市场机制缺陷[1]，与市场形成互补效应。在不断赶超进程中，中国经济增长的奇迹离不开产业政策的扶持。另一种是产业政策无效论，即政府有限性注定产业政策具有自身弊端，在产业发展过程中过于注重政府政策意愿容易违背市场规律、扰乱市场秩序，如政策干预会降低资源配置效率，甚至产生资源误置效应等[2]，上述后果与产业政策制定的初衷背道而驰。

制造业服务化是当前世界制造业发展趋势。相较于西方发达国家，我国制造业服务化水平明显偏低[3]。当前，制造业市场饱和、产品同质化严重和竞争力低下，企业为了生存被迫压低价格，直接后果是利润过低，进而陷入资金困境，导致研发创新严重受阻。制造业和服务业深度融合是破除上述枷锁的关键。因此，服务化是制造业转型升级和高质量发展的必然选择。2007年，国务院提出《关于加快发展服务业的若干意见》，促进现代制造业与服务业有机融合。2015年，“中国制造2025”战略出台，明确要求制造业由生产型制造转变为服务型制造，将制造业服务化作为未来制造业的发展方向。2016年，工业和信息化部发布《发展服务型制造专项行动指南》，提出制造企业应该是“制造+服务”的企业。2019年，国家发改委印发《关于推动先进制造业和现代服务业深度融合发展的实施意见》，提出制造企业要加大生产性服务投入，通过两业融合推动制造业高质量发展。由此，制造业服务化的重要性、必要性和紧迫性可见一斑。

围绕“中国制造2025”战略，一系列产业政策相继实施。因此，本文以“中国制造2025”战略实施为契机，研究产业政策对制造企业服务化的影响及内在作用机制，具有重要理论意义和现实价值。

1 文献综述

产业政策是宏观或者中观层面的因素，企业个体生产经营不可避免地会受其影响。学者们针对产业政策的微观经济效应展开了大量研究，主要体现在以下方面：从企业融资看，产业政策能够通过信息效应和资源效应增加企业获得银行贷款的机会，降低融资约束[4]，有助于解决企业普遍面临的融资难、融资贵问题。对企业投资而言，产业政策能够为企业带来较多的政府补助和银行借款，受扶持企业容易出现投资规模大而效率低的问题[5]。在企业生产率方面，产业政策能够促进企业全要素生产率提升[6-7]，但在不同作用机理下，不同政策工具表现也不尽相同[8]。在企业资源配置方面，产业政策能够引导资源在不同企业之间重新分配，影响企业资源配置效率，甚至导致资源错配[9]。从企业研发创新角度看，产业政策主要通过激励研发创新促进相关产业发展[1,10-11]；从创新产出角度看，产业政策能够通过信贷、税收、政府补贴和市场竞争机制显著促进企业技术创新[12]；从创新投入角度看，产业政策能够显著促进企业研发投入，且对研发人力投入的促进作用大于研发财力投入[13]。由此，企业创新产出和创新投入均受产业政策的正向影响。

制造业服务化需要投入大量高端服务要素，融资约束是企业面临的首要问题。根据不同资金来源，融资约束分为内源融资约束和外源融资约束，内外源融资约束均会阻碍服务化，对高端服务化的阻碍作用尤为显著[14]。从FDI和OFDI角度看，两者均有利于制造业服务化，FDI对产品相关服务的促进作用大于顾客支持服务，OFDI对技术密集型行业的促进作用最大[15-16]。

梳理上述文献可知，产业政策确实对企业个体行为具有传导作用，但学术界对产业政策的微观经济效应褒贬不一，大多数研究集中在企业融资、投资、生产率和研发创新等方面，鲜有文献关注产业政策对制造企业服务化行为的影响。因此，本研究能够丰富产业政策微观经济效应的文献基础。制造业服务化影响因素研究成果较少，且大多关注企业内部因素，外部因素研究较为匮乏。因此，现有文献对影响因素的识别不足，后续需要进行再识别，本研究是对现有影响因素研究的有益补充。

2 理论分析与研究假设

创新是企业提供专业、全面服务的基础和前提，因而创新是制造企业服务化的关键[17-18]。服务化的实质在于将上下游环节的服务要素有效融入生产制造环节，要求企业具有足够的自主创新能力进行产品设计和开发，进而拓展服务业务[19]。技术创新能够提高产品质量、优化产品设计，强化产品差异性并降低产品可替代性，进而提高企业绩效，促进企业服务化转型。制造企业服务化需要创新作为技术支撑，而创新是产业政策促进相关产业发展的主通道。提高制造业创新能力是“中国制造2025”的战略目标之一，要求制造业发展由要素驱动向创新驱动转变。因此，本文主要基于企业研发创新视角展开探讨。

产业政策的积极影响表现在以下方面：首先，为企业带来成本效应。成本是创新的重要约束，产业政策能够降低创新成本。例如，工业园区、创新孵化基地等能够为企业提供较完备的基础配套设施，营造良好的创新氛围[20]；税收优惠通过事后降低税率、税收抵免和研发费用加计扣除等方式，减少企业负担。其次，为企业带来资源效应。创新需要大量资金和人才，产业政策中的政府补贴能够对企业直接进行资金补给，在短期内缓解融资约束，从而降低创新风险。政府通过提供低息贷款和降低信贷审批要求等方式对市场进行干预，引导大量资源流向受扶持行业。此外，在政策引导下，高校和科研机构能够为受扶持产业培养大量适用人才，积累充足的人力资本。再次，为企业带来竞争效应。放松行业管制、降低进入壁垒、简化行政审批手续等措施使企业进入退出更加频繁，新旧企业之间的资源争夺将加剧行业竞争，而优胜劣汰机制会促使企业主动加大研发创新力度，以增强自身竞争优势。最后，产业政策会为市场带来信号效应。受扶持产业名录可以向市场传达明确的利好信号，即受扶持行业具有较大的发展潜力和较好的前景。银行对受扶持企业的盈利能力抱有乐观预期，向其提供贷款的意愿较为强烈。同理，其它社会资本也倾向于流入受扶持行业，以追求长期稳定的收益。资本聚集能够缓解融资约束[21]，激励企业进行自主创新。产业政策通过激励创新对制造企业服务化的作用机理如图1所示。

结合产业政策、创新与制造企业服务化间的关系，基于上述成本效应、资源效应、竞争效应和信号效应，本文提出以下研究假设：

H1：产业政策通过激励创新促进制造企业服务化。

图1 产业政策对制造企业服务化的影响机理Fig.1 Influence mechanism of industrial policy on manufacturing servitization

产业政策可能会产生消极影响，主要表现如下：首先，对企业自主研发产生挤出效应。产业政策中的政府补贴与企业自身研发创新投入间的关系较为复杂,政府补贴旨在促进企业创新，然而一定程度上会挤出企业创新投入[11]。长期来看，企业容易对政府补贴和外部资金产生依赖，反而不利于企业的自主创新。其次，产生企业寻租效应。在资源利益驱使下，企业寻租动机增强。为了获取政府补贴和税收优惠，企业可能会进行策略性创新而非实质性创新，或者存在研发操纵行为，进而产生大量无效研发投入[22]，最终导致创新效率降低。考虑到实力较强的大企业更容易从优惠政策中获益，因而实力较弱的中小企业更有动力进行寻租，最终导致资源总体利用效率降低。

结合产业政策、创新与制造企业服务化间的关系，基于上述挤出效应和寻租效应，本文提出以下研究假设：

H2：产业政策通过抑制创新阻碍制造企业服务化。

3 研究设计

3.1 双重差分(DID)模型设定与变量说明

本文以2015年“中国制造2025”战略实施为准自然实验，设置分组虚拟变量和分期虚拟变量。“中国制造2025”确定的十大重点支持领域分别是新一代信息技术产业，包括集成电路及专用装备、信息通信设备和操作系统及工业软件；高档数控机床和机器人；航空航天装备，包括航空装备和航天装备；海洋工程装备及高技术船舶；先进轨道交通装备；节能与新能源汽车；电力装备；农机装备；新材料；生物医药及高性能医疗器械。分组虚拟变量采用Treat表示，若公司属于上述重点领域，则为实验组，Treat取值为1，否则为控制组，Treat取值为0。分期虚拟变量采用Post表示，若年份在2015年以后，则为战略实施后，Post取值为1，否则为战略实施前，Post取值为0。双重差分法常用于估计政策干预和事件处置效应，该类政策或事件的特点是，其并不在同一时间影响所有个体，或者对个体的影响并不相同。“中国制造2025”重点支持行业界限明确，从出台到实施的缓冲期非常短，可以认为是企业所受的外生政策冲击，为DID模型运用提供了良好的前提条件。由图2可以看出，在2015年“中国制造2025”实施以前，实验组和控制组服务化率的时间变化趋势基本相同，但在2015年以后，实验组的服务化率提高幅度明显大于控制组，两组间的差距逐渐拉大。据此，能够初步判断“中国制造2025”战略对制造企业服务化率的影响在经济学意义上适合运用DID模型进行因果效应识别。双重差分法的反事实逻辑能够在很大程度上避免模型设定中的内生性问题，如互为因果和遗漏变量等问题。

基于上述思想，本文构建如下DID模型：

Oservit=β0+β1Treati×Postt+αX+ϑi+μt+εit

(1)

式(1)中，i、t分别表示企业个体和时间年份，被解释变量Oservit表示企业i在年份t的服务化率，解释变量是交互项Treati×Postt。X是一系列企业层面的控制变量，ϑi表示企业个体固定效应，μt表示年份固定效应，εit表示随机扰动项。β0是常数项，α是控制变量的系数集。β1是本文关注的参数，其符号和数值代表战略实施对制造企业服务化率影响的方向和大小。制造企业服务化率Oservit以上市公司其它业务收入占营业总收入的比重表示，鉴于当前我国制造业服务化水平不高，企业主营业务收入主要来自产品销售，服务业务收入则归属于企业其它业务收入。因此，在一定程度上可以采用营业总收入中的其它业务收入比重近似表征制造企业服务化率。制造企业平均服务化率变化趋势如图2所示，服务化率不断提升，但整体上不足50%，仍有很大提升空间。本文选取如下控制变量：企业规模(size)，以企业总资产的自然对数衡量；企业经营年限(age)，以统计年份减去企业上市年份加上1表示；企业资产负债率(lev)，将负债总额除以资产总额计算得到；企业现金持有量(cash)，以货币资金和交易性金融资产与总资产之比表示；企业总资产增长率(tagr)，以年末资产总额除以年初资产总额衡量；企业账面市值比(mbratio)，以股东权益除以公司市值加以衡量，其中股东权益等于资产总额减去负债总额；企业托宾Q值(tobin)，将资产总额减去现金期末余额的差除以该差值加上累计折旧摊销的和计算得到；企业应收类资产比率(arnr)，以应收类资产总额除以资产总额表示；企业无形资产比重(itang)，采用无形资产净额除以总资产计算得到。

图2 2000-2019年中国制造业上市公司服务化率变化趋势Fig.2 Trends of Chinese listed manufacturing firms' servitization rate from 2000-2019

3.2 数据来源与主要变量描述性统计

本文数据来源于2000—2019年国泰安数据库(CSMAR)，对数据进行如下处理：第一，剔除非制造业行业样本，参照中国国民经济行业分类标准(GB/T 4754-2017)，选取代码为C13-C43的全部制造业上市公司作为本文研究样本；第二，剔除数据有异常值的样本；第三，剔除数据有缺失的样本。

本文主要变量描述性统计结果如表1所示。制造业服务化率Oserv的均值为0.459 9，标准差为0.055 8；制造业上市公司的平均服务化率为46%，波动较小。Oserv的最小值为20.89%，最大值为75.37%，最小值与最大值相差较大，说明制造业不同上市公司之间的服务化率呈现出不平衡的特点。企业是否属于重点领域Treat的均值为0.543 9，标准差为0.498 1；战略实施前后Post的均值为0.421 7，标准差为0.493 8。因此，受“中国制造2025”战略重点支持和2015年战略实施后的制造业上市公司占比分别为54.39%、42.17%，均具有较好的代表性，但也存在较大波动。其它控制变量情况也在表1中列出。

表1 主要变量描述性统计结果Tab.1 Descriptive statistical results of main variables

4 实证检验

4.1 基准回归结果

本文运用面板数据固定效应模型实证分析“中国制造2025”战略实施对制造企业服务化率的影响，基准回归结果如表2所示。表2列(1)、列(2)固定企业个体效应和时间年份效应，同时，考虑到制造业不同行业的反应可能不尽相同，以及对于不同行业可能会运用不同的政策工具，因而基准回归模型在行业层面进行了聚类。列(1)中只有交互项Treat×Post，系数在1%水平上显著为正。列(2)在列(1)的基础上加入一系列企业层面的控制变量，结果显示，交互项Treat×Post的系数仍然在1%水平上显著为正。由此，“中国制造2025”战略实施能够显著促进制造企业服务化率提升。因此，H1得以证实。列(3)和列(4)没有固定时间年份效应，列(5)和列(6)没有固定企业个体效应，列(7)和列(8)没有在行业层面进行聚类。结果显示，列(3)-(8)交互项Treat×Post的系数仍显著为正，进一步证实“中国制造2025”战略实施对制造企业服务化率具有促进作用。考虑到尽可能在模型中控制不随时间和个体变化的因素以及不同行业差异，后续研究均在列(2)的基础上展开。

在其它控制变量方面，企业规模size的系数在1%水平上显著为正，制造企业拓展现代服务业务需要大规模投入，规模越大的企业越有实力，实力强的企业更容易形成品牌效应，有利于其加大市场营销力度和升级售后服务；企业经营年限age的系数在1%水平上显著为正，随着经营年限增长，企业对市场了解愈加充分，从而有利于掌握顾客对产品附加服务的高端消费需求；企业资产负债率lev的系数在1%水平上显著为负，过高的负债率抑制企业新领域开发动机，不利于企业服务化；企业现金持有量cash的系数在1%水平上显著为负，在一定程度上较大的现金持有量是闲置资本，会降低资本利用率；企业总资产增长率tagr的系数在5%水平上显著为正，总资产增长率代表企业发展实力，有利于企业服务化；企业账面市值比mbratio的系数在1%水平上显著为正，鉴于账面市值比效应的存在，比值高的企业往往具有较高的投资收益率，能够促进企业服务化；企业TobinQ值的系数在1%水平上显著为负，托宾Q值越大，企业越有动力通过建设新厂房、购置新设备等方式扩大生产规模，大量资源投入到制造环节虽然可以增加产品收益，但无形中挤占了服务产品投入，或者降低了服务产品投入比重，从而不利于企业服务化；企业应收类资产比率arnr的系数在1%水平上显著为负，大量应收类资产会造成资本闲置，降低资本利用率，加重企业融资困难，不利于拓展新的服务业务；企业无形资产比重itang的系数在1%水平上显著为正，无形资产一般包括科学技术和人才资源，其值越大，意味着企业具有越高的创新能力，有助于促进企业服务化。

制造业是国民经济的主体，是立国之本、兴国之器、强国之基。放眼世界，西方发达国家制造业在其国民经济中占据关键地位，例如德国的“工业4.0”和美国的“先进制造伙伴计划”等都将制造业作为重点。“中国制造2025”立足国内国际大环境，是针对高端制造业行业的国家战略，有助于推动制造业由大变强。当前，中国经济正处于进一步深化供给侧结构性改革和加强需求侧管理的历史阶段，服务化是制造业转型升级的必然需求。本文研究证实“中国制造2025”战略能够促进制造企业服务化，为产业政策的有效性提供了新的经验证据。

表2 基准回归结果Tab.2 Result of baseline regression

4.2 稳健性检验

4.2.1 平行趋势假设检验

平行趋势假设是使用双重差分模型估计处置效应的关键假设，要求在没有处置事件发生的情况下，实验组和控制组的被解释变量均值差异在不同时间内保持一致，即两组被解释变量的时间变化趋势一致。观察图2可以发现，2015年以前实验组和控制组服务化率Oserv的变化趋势基本一致，而2015年及2015年以后变化趋势明显不同。虽然图示法能够直观显示实验组和控制组被解释变量的时间变化趋势，但仍需要运用更正式的方法对平行趋势假设进行检验。在基准回归模型式(1)的基础上，加入分组虚拟变量Treat与战略实施前某个或者几个年份虚拟变量的交互项。

平行趋势假设检验结果如表3所示，列(1)-(5)逐一加入Treat×Beforen，Treat×Post的系数仍然在1%水平显著为正，除Treat×Before1在10%水平上表现出较弱的显著性外，Treat×Before2、Treat×Before3、Treat×Before4和Treat×Before5的系数均不显著。考虑到双重差分模型对平行趋势假设的要求是实验组和控制组在事件发生前至少3年的变化趋势一致。因此，“中国制造2025”战略实施不存在企业个体预期效应，本文DID模型设定通过了平行趋势假设检验。

4.2.2 倾向得分匹配分析

双重差分模型背后的反事实思想是假定实验组和控制组除在是否受外生事件影响方面存在差异外，其它方面均不存在系统性差异。考虑到企业个体异质性，先进行倾向得分匹配，通过近邻匹配方式重新为实验组个体寻找对应的控制组个体，能够有效控制受“中国制造2025”重点支持企业与未受“中国制造2025”重点支持企业之间其它方面差异对服务化率的影响，回归结果如表4列(1)和列(2)所示。Treat×Post的系数仍然在1%水平上显著为正，即本文基本结论并没有受到实验组和控制组之间可能存在的差异影响。

4.2.3 安慰剂检验

进行安慰剂检验的一种方法是提前外生事件发生的年份，采用事件发生前年份数据重新进行双重差分分析。假设“中国制造2025”战略实施年份分别是2013年、2011年和2009年，设定分期虚拟变量，回归结果如表4列(3)—(5)所示。Treat×Post2013、Treat×Post2011和Treat×Post2009的估计系数均不显著，说明“虚拟事件”不存在，即本文实验组和控制组的企业服务化率差异确实来源于“中国制造2025”战略的重点扶持。

表3 平行趋势假设检验结果Tab.3 Result of parallel trend hypothesis test

表4 倾向得分匹配与提前战略实施年份检验结果Tab.4 Result of propensity score matching and anticipation of the strategy

进行安慰剂检验的另一种方法是重复随机抽样，通过随机分配实验组和控制组进行模拟回归。尽管在基准回归模型中固定企业个体效应和年份时间效应，并在行业层面进行聚类，但仍不能完全排除不可观测因素的影响。为了证实本文基本结论不具有偶然性，运用重复随机抽样方法进行安慰剂检验[23]。重复随机抽取1 000次检验结果如图3所示，得到的1 000个虚拟回归系数主要集中在零点附近，呈现近似以0为中心的正态分布，且绝大多数虚拟系数未达到10%的显著性水平。图中右侧虚线是真实的估计系数，其明显是该分布中的异常值，说明真实的估计系数与虚拟回归系数存在显著差异。安慰剂检验结果表明，本文基本结论并不是出于偶然，进一步验证了双重差分模型设定的正确性。

4.2.4 动态效应检验

为了进一步考察“中国制造2025”战略实施对制造企业服务化影响的时间变化情况，采用Beck等[24]的分析方法进行动态效应检验，结果如图4所示。战略实施当年及之后年份与Treat交互项的系数均显著大于0，说明“中国制造2025”战略实施当年和之后4年均显著促进了制造企业服务化。具体来看，战略实施当年的促进效果显著，企业个体对“中国制造2025”反应迅速。随后3年促进作用仍然显著，但强度上有所减弱，之后第四年又转为增强。服务化需要研发创新作为支撑，而研发创新的收益周期较长，因而在作用强度上表现出一定的滞后性。整体上，“中国制造2025”为向服务化转型过程中的制造企业提供了及时、有效的支持。

4.3 异质性分析

4.3.1 企业所有权异质性

根据不同企业所有权性质将研究样本分为国有企业、民营企业和外资企业3个子样本，分别进行双重差分分析，回归结果如表5列(1)—(3)所示。列(2)中Treat×Post的系数在1%水平上显著为正，列(1)和列(3)中Treat×Post的系数均不显著，表明“中国制造2025”战略实施能够显著促进民营企业服务化，而对国有企业和外资企业服务化的促进作用不显著。可能原因是，民营企业普遍面临融资困难，在战略扶持下，融资约束得以缓解，更加积极进行研发创新，服务化进程加快；国有企业和外资企业本身已经具备较大的规模和较强的实力，企业服务化率较高，因而战略扶持的促进作用不显著。

图3 非参数随机模拟效果Fig.3 Effect of nonparametric random simulation

4.3.2 企业所在地区异质性

不同地区的市场发育程度存在较大差异，会影响企业个体行为。根据所在地区，将研究样本分为东部地区企业、中部地区企业和西部地区企业3个子样本，分别进行双重差分分析，回归结果如表5列(4)—(6)所示。列(4)和列(5)中Treat×Post的系数均在1%水平上显著为正，费舍尔组合检验(重复抽样100次)[25]结果显示，两系数并无显著差异，列(6)中Treat×Post的系数则不显著，表明“中国制造2025”战略实施显著促进了东部地区企业和中部地区企业服务化，但是西部地区企业没有受到显著影响。可能原因是，鉴于东部地区具有得天独厚的区位优势，大多数制造业上市公司集聚于此，发育成熟的市场使企业对产业政策反应较迅速；中部地区虽然在经济发展方面落后于东部地区，但承接了来自东部地区的部分产业转移，具有较大的市场潜力，“中国制造2025”战略扶持使其后发优势逐渐显现；西部地区经济发展落后、市场发育不成熟，企业多将资源用于生产制造环节，因而对服务化的促进作用不显著。

4.4 机制检验

结合理论分析和基准回归结果，“中国制造2025”战略能够通过激励创新促进制造企业服务化的假设得以证实。在此基础上，作进一步的机制检验，选择合适的中介变量，构建如下中介效应模型：

Oservit=β0+β1Treati×Postt+αX+ϑi+μt+εit

(2)

Mit=β0+β1Treati×Postt+αX+ϑi+μt+εit

(3)

Oservit=β0+β1Treati×Postt+Mit+αX+ϑi+μt+εit

(4)

中介效应模型为式(2)、式(3)和式(4)。式(2)与基准回归模型式(1)相同；式(3)的被解释变量是中介变量M，解释变量是交互项Treat×Post，控制变量与式(2)相同；式(4)式在式(2)的基础上加入中介变量M，被解释变量是制造企业服务化率Oserv，解释变量是交互项Treat×Post和中介变量M。对于中介变量的选择，本文从企业生产率、投资支出率和投资收益率3个方面加以考虑。企业全要素生产率tfp，运用LP方法测算[26]；企业投资支出率invt，以企业构建固定资产、无形资产和其它长期资产支付的现金扣除掉处置固定资产、无形资产和其它长期资产收回的现金净额之后再除以总资产计算得到；企业投资收益率tzsyl，将投资收益除以营业总收入计算而得。中介效应模型的机制检验结果如表6所示，列(1)和列(2)是企业生产率机制检验结果，列(1)的被解释变量是企业全要素生产率tfp，Treat×Post的系数在1%水平上显著为正，表明“中国制造2025”战略实施可以提高企业全要素生产率；列(2)的被解释变量是企业服务化率Oserv，Treat×Post的系数仍然在1%水平上显著为正，tfp的系数也在1%水平上显著为正，表明全要素生产率提高能够正向影响服务化。因此，“中国制造2025”战略实施能够通过提高生产率促进制造企业服务化。列(3)和列(4)是企业投资支出率检验结果，列(3)的被解释变量是企业投资支出率invt，Treat×Post的系数在1%水平上显著为正，表明“中国制造2025”战略实施可以提高企业投资支出率；列(4)的被解释变量是企业服务化率Oserv，Treat×Post的系数仍然在1%水平上显著为正，invt的系数在5%水平上显著为正，表明企业投资支出率越高对服务化的促进作用越大。因此，“中国制造2025”战略实施通过促进投资提高制造企业服务化率。列(5)和列(6)是企业投资收益率机制检验结果，列(5)的被解释变量是企业投资收益率tzsyl，Treat×Post的系数在1%水平上显著为负，表明“中国制造2025”战略实施以来，制造企业投资收益率出现了不升反降的现象；列(6)的被解释变量是企业服务化率Oserv，Treat×Post的系数仍然在1%水平上显著为正，tzsyl的系数也在1%水平上显著为正，表明投资收益率正向影响企业服务化。因此，“中国制造2025”战略实施在一定程度上降低了企业投资收益率，进而不利于企业服务化率提高。

图4 动态效应检验Fig.4 Dynamic effect test

表5 企业所有权异质性与所在地区异质性分析结果Tab.5 Result of firms ownership and location heterogeneity

表6 机制检验结果Tab.6 Result of mechanism test

由表6回归结果分析可知，“中国制造2025”战略实施会同时带来正向效应和负向效应，正向效应如提高生产率、增加投资等，有助于促进创新，进而正向作用于制造企业服务化；负向效应如降低投资收益率等，会抑制创新，进而负向作用于制造企业服务化。正向效应与负向效应相互抵消、达到均衡之后，整体上表现为“中国制造2025”战略实施能够促进制造企业服务化率提高。

5 结语

5.1 研究结论

在制造业面临发展困境、积极进行服务化转型的背景下，本文基于上市公司数据库研究产业政策对制造企业服务化的影响。在理论分析部分，发现产业政策实施对制造企业服务化既有正向作用也有负向作用；在实证检验部分，以2015年“中国制造2025”战略实施作为准自然实验，构建双重差分模型估计产业政策对制造企业服务化的影响，得到如下基本结论：

(1)整体上，“中国制造2025”战略实施能够通过促进创新提高制造企业服务化率。从作用机制来看，“中国制造2025”战略通过影响创新作用于制造企业服务化，同时带来正向效应和负向效应，因而对制造企业服务化的影响也不同。 “中国制造2025”战略实施能够通过提高生产率和增加投资促进制造企业服务化，同时通过降低投资收益率阻碍制造企业服务化，整体上表现为“中国制造2025”促进制造企业服务化。

(2)“中国制造2025”战略对制造企业服务化的促进作用在不同所有制性质企业之间具有显著差异。民营企业受到显著促进作用，而对国有企业和外资企业的促进作用则不显著。

(3)“中国制造2025”战略对制造企业服务化的促进作用在不同地区企业之间也具有显著差异。东部地区企业和中部地区企业受到显著促进作用，而对西部地区企业的促进作用则不显著。

5.2 启示

“中国制造2025”战略确实有助于促进制造业服务化，本文研究带来以下启示：在产业政策具体执行过程中，政府要加大监管力度，避免政策优惠滥用，确保资金真正投入到研发创新中；明确受扶持企业标准，防止寻租、腐败行为发生；定期检验政策效果，若现实情况与政策初衷有所偏离，应及时对政策作出调整。企业要合理利用政策优惠，注重自主研发创新，增加研发创新投入；在开发新的服务业务之前，积极进行充分的市场调研，深入了解顾客需求，降低沉没成本。